关键词： 大豆   智能考种   目标检测   实例分割  

摘要： 选育优质高产品种是提升大豆品质和产量的重要保障。传统大豆考种方法存在费时费力、数据误差大等问题,距大豆表型数据的一站式高通量获取尚有不小的差距。因此,构建大豆室内考种图像数据集,对于开展大豆植株表型信息的高通量准确获取方法研究,实现大豆的自动智能考种尤为重要。本数据集包含原始图像数据、标注文件数据、测试图像数据三部分,涵盖了典型大豆品种的离体豆荚和植株,其中离体豆荚包括无重叠离体豆荚和重叠离体豆荚,大豆植株包括单分枝型、双分枝型和复杂分枝型;标注文件数据包含了大豆植株主茎的实例分割标注、主茎节的检测框标注、在体豆荚的检测框标注、离体豆荚的实例分割和检测框标注,其中在体豆荚和离体豆荚的检测框标注采用了正框和旋转框两种标注方式,共计4.2GB。通过本数据集进行训练和验证的模型在无重叠离体豆荚、重叠豆荚以及大豆植株形态等各项指标上均表现出了良好的检测和分割效果。本数据集可为大豆植株的离体豆荚检测、在体豆荚检测与植株形态分析的目标检测和实例分割模型方法研究提供宝贵的基础图像数据资源,并且对于促进大豆关键考种信息的一站式高通量获取等智能化考种方法研究也具有重要价值。

关键词： 玻璃量器检定   图像处理   液位检测   不确定度  

摘要： 传统的玻璃量器的检定通常是由人工操作,人为操作误差和读数误差会导致检定结果有偏差。提出了一种基于图像处理技术的液位检测方法,为自动检定过程提供误差小、重复性低的液位信息,并通过使用自动加液装置配合电子秤进行了100 mL量筒的不确定度实验。结果显示,自动检定的扩展不确定度为0.096 mL,明显优于人工检定的0.160 mL,验证了该方法在提高了玻璃量器检定的准确性、稳定性和及时性方面的显著效果。

关键词： 计算机视觉   5G通信   智慧电厂   异物目标   自动检测   CSPDarknet模型  

摘要： 针对电厂环境复杂、光照多变和遮挡问题,提出基于计算机视觉的5G智慧电厂异物目标自动检测方法。首先,通过高斯滤波去噪、对比度增强和背景减除等对图像进行预处理;然后,结合CSPDarknet模型提取特征,计算监控图像差值并设定阈值,以自动检测异物目标并确定其实际位置;最后,通过实验验证所提方法的先进性。实验结果表明,该方法能有效降低定位偏差,确保在复杂环境中对异物目标进行准确识别与定位。

关键词： 小目标检测   航拍图像   特征金字塔   损失函数  

摘要： 无人机航拍图像具有目标尺度小和背景复杂等特点,因此直接对这类图像使用通用目标检测方法很难获得理想的识别精度。基于YOLOv8,提出一种强化特征金字塔和聚焦损失的小目标检测模型CFE-YOLO。设计一种跨层级强化特征金字塔网络,以跨层级的方式融合注意力特征图来改进传统特征金字塔结构,通过增加浅层网络的高分辨率特征图和去除深层检测头来适应小目标检测需求。结合Complete-IOU和Focalloss损失函数思想,设计了一个基于面积交并比的聚焦损失函数,进一步提升小目标的检测能力。通过引入深度可分离卷积实现一个轻量化空间金字塔池化层模块,在减少参数量的同时保持模型的检测精度。在VisDrone和Tinyperson两个无人机航拍数据集上进行的大量实验显示,CFE-YOLO较基准模型的m AP0.50分别提高了4.72和5.58个百分点且参数量减少37.74%,同时与其他先进算法对比也取得更高的精度。

关键词： 智能汽车   3维目标检测   点云   柱形特征编码  

摘要： 基于柱形(Pillar)的单阶段点云3维目标检测算法凭借其较高的运行效率,在工业界得到了广泛的关注和应用。但对点云柱形量化造成的点云3维特征细粒度信息损失,导致这类算法对稀疏点云小目标的检测能力较弱。尽管部分研究对此问题提出了应对方法,但通常以较高的检测时间成本或者大目标检测精度作为代价。为此,该文提出了一种基于改进柱形特征编码的柱形点云目标检测算法。首先,构建可实现柱形单元内部点云局部与全局特征相结合的柱形特征编码网络,用于增强柱形量化特征的表征能力;然后,设计一个由2维稀疏卷积块与特征融合网络相结合的主干网络,用于融合多尺度的高级抽象语义特征和低级细粒度空间特征,防止过度关注小尺寸特征而降低大目标的检测性能;最后,在KITTI自动驾驶数据集上进行训练和测试,并对实验结果进行了可视化和消融研究。结果显示:所提算法在KITTI数据集的中等难度下,多个类别的平均精度均值达63.54%、平均方向相似性均值达70.72%,平均检测帧速率达31.5 f/s;与PointPillars、TANet和PiFEnet算法相比,该文算法的平均精度均值分别提高了2.44、2.05和2.38个百分点,平均方向相似性均值分别提高了4.69、0.68和7.83个百分点,在同类算法的对比中表现出工程应用潜力。

关键词： 多模态   记忆库   三维缺陷检测   计算机视觉  

摘要： 针对工业缺陷检测中的缺陷样本稀缺及受限于二维RGB图像(即二维红绿蓝色彩图像)无法表征几何缺陷特征的问题,提出了一种基于多模态记忆库(Memory Bank)的三维缺陷检测方法。该方法通过对比学习对齐匹配不同模态的特征;使用缺陷过滤器滤除缺陷样本中的大量噪声,并构建高质量的多模态记忆库;利用弹性特征分类器检测缺陷。实验结果显示,在每一种缺陷仅有4张训练图像的极端条件下,相较于最优的二维缺陷检测方法PatchCore在公开数据集上仅能达到38.72%的准确率,提出的三维缺陷检测方法则能达到43.14%的准确率,更适用于缺陷样本稀缺的工业场景。

关键词： 目标检测技术   EasyDL平台   深度学习   信息耗材管理系统  

摘要： 将信息耗材管理与EasyDL目标检测技术相结合,实现了基于目标检测技术的智能信息耗材管理系统。采用EasyDL深度学习模型对信息耗材图像进行有监督训练,通过摄像头采集信息耗材图像进行多目标检测,识别耗材种类并计算数量,实现用户与信息耗材领取、管理的无纸化智能交互。

关键词： YOLOv5   小目标   航拍图像   车辆目标检测  

摘要： 航拍图像具有高空远距离拍摄,拍摄视角广阔等特点,引起地物信息的干扰严重,小目标占比高且特征较弱等问题,从而影响航拍车辆小目标检测的性能。针对上述问题,文章提出了一种基于YOLOv5的航拍车辆小目标检测算法。该算法改进多尺度检测结构,使用SPD-Conv(space-to-depth)优化下采样操作,引入BiC(Bi-directionalConcatenation)双向特征融合模块,有效增强对车辆小目标的特征表达能力,提高了车辆小目标的检测性能。实验结果表明:文中提出的算法取得了良好的检测效果,F1达到了0.45,mAP@.5达到了41.6%,mAP@.5:.95达到了23.8%,与原Y0L0v5算法相比,F1提高了0.071,mAP@.5提升了8.6%,mAP@.5:.95提升了6.2%。

关键词： 合成孔径雷达(SAR)   目标检测   YOLOv8   卷积注意力模块(CBAM)   可变形卷积   EIoU  

摘要： 目的针对合成孔径雷达(synthetic aperture radar,SAR)图像舰船检测中因背景复杂、目标尺寸各异等因素导致的漏检、误检结果,提出一种基于YOLOv8(you only look once v8)的改进算法。方法首先,轻量化处理YOLOv8的原有网络结构,大幅降低网络的冗余度,使轻量化的网络更适合SAR图像舰船检测任务。其次,在主干网络中融入可变形卷积,增强模型对目标的感知能力,能更好地适应目标形变和复杂背景;同时,在颈部网络融入卷积注意力模块,减弱背景信息的干扰,使网络更专注舰船目标的特征。最后,采用EIoU(efficient intersection over union)损失函数,最小化预测框与真实框间的差值(包括宽度和高度),实现更快的收敛速度。结果分别在SSDD(SAR ship detection dataset)和HRSID(high-resolution SAR images dataset)上进行测试,结果表明,改进算法的检测性能优于当前几种流行的目标检测算法。其中,与YOLOv8相比,在两个公开数据集上,改进算法的精度评估指标mAP(mean average precision)@0.5分别提升0.68%和1.29%,mAP@0.75分别提升3.32%和3.10%,其处理速度FPS(frames per second)分别提升22帧/s和18帧/s。结论本文在轻量化处理YOLOv8基础上融合可变形卷积与注意力机制构建的改进算法,能实现SAR舰船检测精度和速度的双重提升。

关键词： 交通运输工程   船舶工程   红外目标检测   YOLOv8   注意力机制  

摘要： 针对红外船舶图像目标特征模糊、背景复杂以及小目标漏检等问题,基于YOLOv8提出一种面向海上交通中船舶目标的检测算法YOLO-IST(YOLO for infrared ship target)。在基线模型的骨干网络中引入C2f_DBB模块和CPCA注意力机制,通过增加特征提取层来提升模型对目标的识别能力;利用C2f_Faster_EMA模块替换颈部网络中的C2f模块,以提升模型检测精度和速度;采用多重注意力的动态检测头Dynamic Head优化模型框架,增强模型对小船舶目标的检测效果。研究结果表明:YOLO-IST的召回率R_(ecall)、精确率P_(recision)、平均精度M_(ap@50)、平均精度M_(ap@50-95)和F_(1score)分别达到89.7%、90.5%、94.7%、66.6%、90.1%,较基线模型YOLOv8分别提升了4.5%、3.8%、4.4%、4.7%、4.2%。该模型的提出在海上智能交通中具有较广泛的应用前景。